肿瘤微环境研究新范式：AI+空间单细胞蛋白组技术

1. AI病理面临的空间信息缺口人工智能在数字病理领域已经能够基于HE切片开展组织分类、形态识别和辅助诊断但仅依靠细胞形态仍难以准确解释复杂的分子表型和细胞功能。肿瘤组织微环境由肿瘤细胞、免疫细胞、基质细胞、血管及多种分子信号共同组成细胞的空间位置、邻近关系和组织结构会直接影响肿瘤进展、免疫逃逸及治疗响应。传统HE切片可以呈现组织形态却无法直接检测蛋白表达和功能状态。此前部分研究尝试利用AI从HE图像中预测PD-L1等单个蛋白但模型容易受到染色差异、样本制备和组织异质性的影响。因此AI病理需要空间蛋白组和空间转录组提供更加稳定、具有生物学解释力的训练依据。2. PCF为AI模型提供空间蛋白标准PCF(CODEX)是一种超多重蛋白成像技术也属于组织原位空间蛋白组学和空间单细胞蛋白组技术。PCF(CODEX)能够在保持组织结构的前提下同步检测多种蛋白标志物并记录每个细胞的精确空间坐标。近期《Cell》期刊发表了一篇题为“Cellular architecture and neighborhood-informedvirtual spatial tumor profiling from histopathology”的重磅研究论文该研究构建了一种基于细胞结构和邻域的虚拟AI空间分析平台CANVAS(cellular architecture and neighborhood-informed virtual AI-driven spatial profiling)。在CANVAS研究框架中PCF(CODEX)不仅承担组织微环境观察功能还用于构建AI模型的底层生物学标准。研究人员利用PCF(CODEX)分析了超过1800万个单细胞并识别出10种跨癌种相对保守的细胞邻域。CN01至CN05涵盖肿瘤核心、巨噬细胞富集生态位、B细胞生态位、基质纤维化枢纽和浆细胞富集区CN06至CN10则包括中性粒细胞富集区、肿瘤—免疫界面、T细胞富集区、全免疫激活区及脉管系统生态位。3. 从单蛋白预测转向细胞邻域预测与传统AI病理主要预测单个蛋白表达不同CANVAS利用PCF(CODEX)生成的空间单细胞蛋白组图谱将细胞邻域和组织空间结构作为模型训练目标。这种方法不再局限于判断某个蛋白表达水平而是尝试识别肿瘤核心、免疫界面、纤维化区域和血管生态位等具有生物学意义的空间单元。预测目标从单一分子转向组织微环境结构后模型更容易适应不同染色背景和组织形态同时能够直接对应肿瘤免疫、基质重塑和细胞互作等科学问题。研究还基于PCF(CODEX)提供的单细胞坐标构建了屏障评分。该评分采用最短空间路径算法量化CAF等基质细胞对细胞接触的阻碍程度例如分析CAF是否在物理空间上阻隔细胞毒性T细胞与增殖肿瘤细胞为研究免疫排斥和肿瘤免疫逃逸提供了新的空间指标。4. 41-Plex Panel与多模态数据对齐该研究使用457名非小细胞肺癌患者的FFPE样本包括TMA和全片切片并采用41-Plex Panel构建空间单细胞图谱。Panel覆盖PanCK、E-cadherin、EpCAM等上皮和肿瘤指标CD8、CD3e、CD20、CD4、Granzyme-B、FOXP3和TCF-1等淋巴系指标CD163、CD11c、CD66b、CD14、MPO和CD68等髓系指标。此外Panel还包括PD-1、PD-L1、LAG3、ICOS、CD40、VISTA等免疫检查点HLA-A、HLA-E、HLA-DR等MHC相关指标以及FAP、α-SMA、CD31、Collagen-IV、CD44、HIF1α、MMP9、Ki-67和Bcl-2等基质、缺氧、增殖和细胞生存指标。CANVAS以MUSK基础大模型为骨架。MUSK使用超过5000万张病理图像进行预训练研究进一步将PCF(CODEX)蛋白信号与HE形态进行单细胞级坐标配准并使用空间转录组对AI预测的细胞邻域进行正交验证。由此形态、蛋白、转录和空间位置被纳入同一多模态分析框架。5. 空间签名推动AI病理医学转化CANVAS最终形成了262个多尺度空间特征覆盖组成、多样性、分散度、交互频率、距离和拓扑转换六个维度。经过LASSO-Cox模型筛选研究获得13个关键特征其中包括H08与H03的协同空间定殖关系。在免疫检查点阻断治疗队列中该模型预测6个月、12个月和24个月无进展生存期的AUC分别达到0.75、0.73和0.71优于TMB和PD-L1等传统指标。在Cancer Moonshot Biobank的40例独立队列中该空间签名仍能够识别可能从免疫治疗中获益的患者。研究首先利用PCF(CODEX)获得高深度空间蛋白信息再通过人工智能将空间规律应用到5000余例患者的HE队列中。这一技术路线使空间单细胞蛋白组研究从小规模高维发现走向大规模病理分析也为人工智能病理、空间生物标志物和医学转化研究提供了新的实施路径。【本文说明】本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议、疗效预测、用药指导或临床决策。文中提及研究发现均来自学术文献相关分析结果需结合更多实验和研究进一步观察与复核不构成任何医疗意见。【参考文献】Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology.Cell. 2026;189(14):4241-4259.e9. doi:10.1016/j.cell.2026.05.031